پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,223 |
| تعداد مقالات | 67,680 |
| تعداد مشاهده مقاله | 114,878,426 |
| تعداد دریافت فایل اصل مقاله | 89,550,075 |
تأثیر نویززدایی سری زمانی بر تحلیل آن با استفاده از نظریۀ نظم در بی‌نظمی (مطالعۀ موردی: رودخانۀ زاینده‌رود) | ||
| اکوهیدرولوژی | ||
| مقاله 2، دوره 6، شماره 1، فروردین 1398، صفحه 15-27 اصل مقاله (1.1 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2018.260455.906 | ||
| نویسندگان | ||
| مهسا بوستانی1؛ سعید فرزین* 2؛ سید فرهاد موسوی3؛ حجت کرمی2 | ||
| 1دانشجوی دکترای گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| 2استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| 3استاد گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| چکیده | ||
| در پژوهش حاضر، ویژگی‌های غیرخطی جریان ماهانۀ رودخانۀ زاینده‌رود، در دو حالت قبل و بعد از نویززدایی، با استفاده از نظریۀ آشوب، طی 43 سال (1350 تا 1392) در چهار ایستگاه هیدرومتری ارزیابی شده است. برای تعیین روند آشوبی یا تصادفی‌بودن جریان رودخانۀ زاینده‌رود، اﺑﺘﺪا به بازسازی فضای حالت پرداخته شده است. به این دلیل، زمان تأخیر بهینه و بُعد محاط با استفاده از روش‌های میانگین اطلاعات متقابل و اﻟﮕﻮرﯾﺘﻢ نزدیک‌ترین همسایگی ﮐﺎذب محاسبه شده است. اﻣﮑﺎن وﺟﻮد آﺷﻮب در دﺑﯽ جریان ماهانه، در سری زمانی اصلی و نویزگیری‌شده، با استفاده از شاخص ﺑُﻌﺪ ﻫﻤﺒﺴﺘﮕﯽ ﺑﺮرﺳـﯽ شده است. بر اساس نتایج، ﺑُﻌﺪ ﻫﻤﺒﺴﺘﮕﯽ برای سری زمانی نویزگیری‌شده در ایستگاه‌های اسکندری، قلعه شاهرخ، پل زمانخان و پل کله به‌ترتیب برابر 94/5، 63/4، 89/2 و 30/3 برآورد شده است. ﻣﻘﺪار غیرصحیح این ﺑُﻌﺪ، بیان‌کنندۀ رﻓﺘـﺎر آﺷﻮﺑﻨﺎک دبی جریان ماهانۀ نویززدایی‌شدۀ رودخانۀ زاینده‌رود در ایستگاه‌های یادشده است. نبود بُعد همبستگی در سری زمانی اصلی، نشان‌دهندۀ تصادفی‌بودن سیستم است. در ادامه، ﺣﺴﺎﺳﯿﺖ ﺑﻪ ﺷﺮاﯾﻂ اولیۀ ﺳﯿﺴﺘﻢ، به عنوان یک مشخصۀ سیستم‌های آشوبناک، با استفاده از آزمون نمای لیاپانوف بررسی شده است. سپس، افق پیش‌بینی جریان در ایستگاه‌های نویزگیری‌شدۀ آشوبناک تعیین شده است که به‌ترتیب برابر 36، 41، 45 و 44 ماه است. یکی از راه‌کارهای مدیریت شرایط کم‌آبی و بحران منابع آب، پیش‌بینی جریان آبهای سطحی است. با استفاده از دادههای ماهانۀ نویزگیری‌شدۀ رودخانۀ زاینده‌رود، امکان پیش‌بینی جریان با استفاده از روش‌های مختلف فراهم است که برای سری زمانی اصلی، این امر مقدور نیست. | ||
| کلیدواژه‌ها | ||
| آزمون بُعد همبستگی؛ جریان ماهانه؛ حوضۀ زاینده‌رود؛ رفتار آشوبناک؛ فضای حالت؛ نویززدایی | ||
| عنوان مقاله [English] | ||
| Effect of Denoise Reduction of Time Series on Its Analysis using Chaos Theory (Case Study: Zayandehrud River) | ||
| نویسندگان [English] | ||
| Mahsa Boustani1؛ Saeed Farzin2؛ Seyyed Farhad Mousavi3؛ Hojjat Karami2 | ||
| 1PhD Student, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 2Assistant Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 3Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| چکیده [English] | ||
| In the present study, nonlinear characteristics of the monthly flow of Zayandehrud River in both pre and post noise reduction were evaluated using chaos theory during 43 years (1971- 2013) in four hydrometric stations. To determine the chaotic or randomness of the Zayandehrud River flow, the phase space was first reconstructed. Therefore, the optimal delay time and embedding dimension are calculated using the average mutual information and the nearest false neighbors. The possibility of chaos in the monthly flow, in the original and denoised time series, has been investigated using the correlation dimension. Based on the results, the correlation dimension for the denoised time series at Eskandari, Ghale Shahrokh, Pole Zaman Khan and Pole Koleh stations is estimated to be 5.94, 4.63, 2.89 and 3.30, respectively. The non-integer value of this dimension shows the chaotic behavior of monthly flow of the Zayandehrud River at these stations. The absence of correlation dimension in the original time series indicates the randomness of the system. Sensitivity to the initial conditions of the system, as a characteristic of chaotic systems, was investigated using the Liapunov exponent. Thereafter, the horizons of forecasting the current flow at the denoised stations were determined to be 36, 41, 45 and 44 months, respectively. One of the strategies for managing water scarcity and water crisis is to predict surface water discharge. By using the simulated monthly data of Zayandehrud River, it is possible to predict the flow by applying different methods, which was not possible for the original time series. | ||
| کلیدواژه‌ها [English] | ||
| Denoising, Monthly flow, Phase space, Chaotic behavior, Zeyandehrud River, Correlation dimension test | ||
| مراجع | ||
|
[1]. Honarbakhsh A, Karimian kakolaki R, shams Ghahfarokhi G, Davoudian Dehkordi A, Pajouhesh M. Flow modeling in a bend of a natural river based on different turbulence models (Case study: Doab Samsami River). Iranian Journal of Ecohydrology. 2018;5(3):907-916. (Persian) [2]. Hashemi Golpayegani SMR. Chaos and its applications in engineering. Tehran: Amirkabir University of Technology; 2009. (Persian) [3]. Seyedian S, Soleimani M, Kashani M. Predicting streamflow using data-driven model and time series. Iranian Journal of Ecohydrology. 2014; 1(3):167-179. (Persian) [4]. Amiri E, Roudbari Mousavi M. Evaluation of IHACRES hydrological model for simulation of daily flow (case study Polrood and Shalmanrood rivers). Iranian Journal of Ecohydrology. 2016;3(4):533-543. (Persian) [5]. Lorenz E. The essence of chaos. Seattle: University of Washington Press; 1993. [6]. Porporato A, Ridolfi L. Nonlinear analysis of river flow time sequences. Water Resources Research. 1997;33(6):1353-1367. [7]. Kantz H, Schreiber T. Nonlinear Time Series Analysis. UK: Cambridge University Press; 1997. [8]. Sivakumar B, Phoon KK, Liong SY, Liaw CY. A systematic approach to noise reduction in chaotic hydrological time series. Journal of Hydrology. 1999;219(4):103-135. [9]. Elshorbagy A, Simonovic SP, Panu US. Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology. 2002a; 255:123–133. [10]. Ng W.W, Panu U.S, Lennox W.C. Chaos based analytical techniques for daily extreme hydrological observations. Journal of Hydrology. 2007;342:17-41. [11]. Fattahi MH. Applying a noise reduction method to reveal chaos in the river flow time series. International Journal of Environmental, Ecological, Geological and Mining Engineering. 2014;8(8):524-531. [12]. Rezaei H, Jabbari Gharabagh S. Noise reduction effect on chaotic analysis of Nazluchay River flow. Water and Soil Science. 2017;27(3):239-250. (Persian) [13]. Iranmehr M, Pourmanafi S, Soffianian A. Ecological monitoring and assessment of spatial-temporal changes in land cover with an emphasis on agricultural water consumption in Zayandeh Rood region. Iranian Journal of Ecohydrology. 2015; 2(1):23-38. (Persian) [14]. Takens F. Detecting strange attractors in turbulence. Berlin: SpringerVerlag. 1981. [15]. Wang W, Vrijling JK, Van Gelder PH, Ma J. Testing for nonlinearity of streamflow processes at different time scales. Journal of Hydrology. 2006;322(1):247–268. [16]. Dhanya CT, Kumar DN. Multivariate nonlinear ensemble prediction of daily chaotic rainfall with climate input. Journal of Hydrology. 2011;403:292-306. [17]. Grassberger P, Procaccia I. Measuring the strangeness of strange attractors. Physica D. 1983;9:189-208. [18]. Brock WA, Sayers CL. Is the business cycle characterized by deterministic chaos?. Journal of Monetary Economics. 1988;22(1):71-90. [19]. Shang P, Li X, Kamae S. Chaotic analysis of traffic time series. Chaos, Solitons and Fractals. 2005;25:121-128. [20]. Wolf A, Swift JB, Swinney HL, Vastano JA. Determining Lyapunov exponents from a time series. Physica D: Nonlinear Phenomena. 1985;16(3):285-317. [21]. Rosenstein M.T, Collins J.J, De Luca C.J. A practical method for calculating largest Lyapunov exponents from small data sets. Physica D: Nonlinear Phenomena. 1993;65(1-2):117-134. [22]. Scheriber T. Extremely simple nonlinear noise-reduction method. Physical Review. E. 1993;47(4):2401-2404. [23]. Hegger R, Kantz H, Schreiber T. Practical implementation of nonlinear time series methods: The TISEAN package. Chaos: An Interdisciplinary Journal of Nonlinear Science. 1999;9(2):413-35. | ||
|
آمار تعداد مشاهده مقاله: 426 تعداد دریافت فایل اصل مقاله: 356 |
||